Logo ÉTS
Session
Cours
Responsable(s) Julio Cesar Montecinos

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Julio Cesar Montecinos


PLAN DE COURS

Hiver 2025
GOL491 : Conception des systèmes d’information et forage de données (3 crédits)





Préalables
Programme(s) : 6556,7095,7495
             
  Profils(s) : Tous les profils sauf Informatique  
             
    INF130    
             
Unités d'agrément
Total d'unités d'agrément : 58,8 65,0 % 35,0 %




Qualités de l'ingénieur

Qn
Qualité visée dans ce cours  
Qn
  Qualité visée dans un autre cours  
  Indicateur enseigné
  Indicateur évalué
  Indicateur enseigné et évalué



Descriptif du cours
Au terme de ce cours, l’étudiante ou l’étudiant sera en mesure de concevoir un système d’information dans le but de valoriser les données de l’entreprise.

Description et analyse des systèmes d’information associés aux grandes et moyennes entreprises. Diagramme de fonctionnement des entreprises et analogie avec les diagrammes de flux et modèles conceptuels de données. Conception et architecture des systèmes informationnels. Définition des acteurs, des rôles et des entités. Recueil des données vitales. Modèles de fonctionnement du système d’information. Modèle relationnel des données. Normalisation des bases de données relationnelles. Langage SQL (Structured Query Language). Base de données NoSQL (Not Only SQL) Intelligence d’affaire (BI), analytique et visualisation des données. Valorisation des données.

En séances de laboratoire, les concepts vus en classe sont repris plus en détail et sous forme appliquée.

Note sur le préalable : Le cours INF130 est préalable pour le profil PA.



Objectifs du cours

Au terme de ce cours, l’étudiant doit être en mesure de concevoir un système d’information et d’utiliser des techniques d’interrogation de bases de données, de consolidation de données et d’analyse de ces données en fonction du contexte d’utilisation.

À la fin du cours, l’étudiant devrait être capable de :

  • Dresser un inventaire des données existantes et déjouer les difficultés de consolider une vue panoramique (tableaux de bord).
  • Recueillir de l’information existante dans diverses sources de données : des fournisseurs, de la production, des opérations, des commandes, des inventaires, des livraisons, etc., pour suivre la demande ou pour estimer les besoins logistiques et de transport.
  • Établir le processus d’analyse des données plus appropriée en fonction du contexte.
  • Utiliser des solutions logicielles pour la consolidation, le prétraitement et l’analyse de données.
  • Faire une analyse des données avec les outils plus communs : Corrélation, Régression, Classification, Agglomération, Règles d’association, etc.
  • Coder en Langage Python
  • Concevoir des applications en opération, la vente du détail, le transport et la logistique.
  • Maximiser l'apprentissage en travaillant en groupe favorisant la diversité des compétences *

La conformation de certains équipes (groupes) sera imposée ou pourra être modifié arbitraiement de manière à rassembler des membres aux compétences variées, favorisant ainsi une compréhension approfondie du sujet grâce à la collaboration, même si les équipes ne sont pas choisies par les étudiants.




Stratégies pédagogiques

39           heures de cours

24           heures de laboratoires

6             heures de travail personnel/en équipe par semaine, en moyenne sur la durée de la session

Trois (3) heures de cours magistral par semaine. De nombreuses applications seront étudiées en classe pour permettre aux  étudiants de bien assimiler la théorie et les techniques présentées en cours.

Deux (2) heures de travaux pratiques par semaine pour appliquer la théorie étudiée sur des applications commerciales et industrielles.

Les travaux réalisés en dehors des heures de cours et de laboratoire permettront de mettre en pratique les notions vues en classe.




Utilisation d’appareils électroniques

Ne s'applique pas.




Horaire
Groupe Jour Heure Activité
01 Mardi 18:00 - 20:00 Laboratoire
Jeudi 18:00 - 21:30 Activité de cours



Coordonnées du personnel enseignant le cours
Groupe Nom Activité Courriel Local Disponibilité
01 Julio Cesar Montecinos Activité de cours Julio.Montecinos@etsmtl.ca A-3630



Cours
Date Date Contenus traités dans le cours Heures

1

09-janv

Introduction aux systèmes d’information.

Introduction au Langage Python

3

2

16-janv

Introduction au Python (« The Python Tutorial » (https://docs.python.org/3/tutorial/)) et Pandas

Introduction aux bases des données

Modèle entité Association

3

3

23-janv

Introduction aux bases de données, modèle relationnel et non-relationnel. Introduction au langage SQL 1/3.
Normalisation d’une base de données 
(Ch 1, Ch 2 et Ch 12)

3

4

30-janv

Introduction aux bases de données et au langage SQL 2/3 (Ch 4 et Ch. 5)

3

5

06-févr

Introduction aux bases de données et au langage SQL 3/3 (Ch 6, Ch 13.1 à Ch. 13.5 et Ch. 15)

Normalisation et Dénormalisation

3

6

13-févr

Entrepôts des données et Forage des données 

Informatique décisionnelle, Intelligence d'affaires et tableaux de bord. Révision

3

7

20-févr

Examen intra (cours 1 à 6 inclusivement)

Toute documentation papier permise

3

8

27-févr

Exploration des Données. Régression Linéaire et sélection des variables (et  Ch. 12)

Introduction au  Power BI 

3

9

13-mars

Power BI et Introduction au langage DAX

3

10

20-mars DAX, Calcul et Fonctions de base

3

11

27-mars

DAX Fonctions Statistiques Avancées

3

12

03-avr

Dax Intelligence Temporelle (Time Intelligence)
Base de données orientée graphes (Ch. 14)

Chaine des blocs (Blockchain) et systèmes distribués (CH. 1 et CH. 12.8)
Base de données orientée graphes (Ch. 14)

Révision

3

13

10-avr

Exposés et Révision

3

   

Total

39

 




Laboratoires et travaux pratiques

Séance

Date

Description

Heures

1

14-janv

Pratique du langage Python

2

2

21-janv

Pratique du langage Python

Traitement de données avec bases de données relationnelles

2

3

28-janv

Introduction au langage SQL 1/3

2

4

04-févr

Introduction au langage SQL 2/3

2

5

11-févr

Pratique Python Pandas

Révision et support au devoir

2

6

18-févr

Révision Bases de données et SQL

2

7

25-févr

Pratique Pandas et Révision (Corrélation, Régression, Classification, Association)

2

8

11-mars

Pratique Pandas et Introduction Power BI et DAX

2

9

18-mars

Introduction Power BI et DAX

Introduction fonctions et calculs de base

2

10

25-mars

Intelligence Temporelle (Time Intelligence)

2

11

01-avr

Pratique Power BI et Basses données graphes 

2

12

08-avr

Pratique Power BI et Support Examen Final

2

 

 

Total 

24

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 




Utilisation d'outils d'ingénierie
  • Langage Python et Pandas
  • MySQL ou SQLite (ou DuckDB) et  langage SQL
  • MySQL Workbench ou DBeaver
  • Power BI et langage Dax
  • Neo4j ou Memgraph, Base de données orientée graphe et  langage Cypher



Évaluation

Activité

Description

%

Date de remise

Travail pratiques

4 TP (ou laboratoires) seront notés (2.5% chaque)

10

 

 

Travail de Session

Collecte, stockage et modèle relationnel des données 
Phase 1 : Dépôt électronique

20

19-févr

Examen Intra

Cours 1 à 6 inclusivement

Toute documentation physique permise

25

20-févr

Travail de Session

Élaboration d’un tableau de bord et exposé oral
Phase 2 : Dépôt électronique

20

09-avr

Examen Final

Cours 1 à 13 inclusivement

Toute documentation physique permise

25

http://etsmtl.ca/Etudiants-actuels/Baccalaureat/Examens-finaux 

Une pondération de 10 % du total des notes des divers travaux sera attribuée à la présentation et à la qualité du français.

Toutes les remises se font par l’intermédiaire du site Moodle.




Double seuil
Note minimale : 40



Dates des examens intra
Groupe(s) Date
1 20 février 2025



Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : https://www.etsmtl.ca/programmes-et-formations/horaire-des-examens-finaux


Politique de retard des travaux
Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.5/ cycles supérieurs, article 6.5.2) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignante ou l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

Retard de remise d’un travail 

Une pénalité de 10 % par jour sera imposée à tous travaux en retard. Une pondération de 10 % du total des notes des divers travaux sera attribuée à la présentation et à la qualité du français. Toutes les remises se font par l’intermédiaire du site Moodle.




Absence à une évaluation

Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou l’étudiant doit utiliser le formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.

Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS pour se rendre à l’activité.

Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du RÉPC et 6.5.2 du RÉCS) entraînera l’attribution de la note zéro (0).




Infractions de nature académique
Les clauses du « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiantes et les étudiants doivent consulter le Règlement sur les infractions de nature académique (www.etsmtl.ca/a-propos/gouvernance/secretariat-general/cadre-reglementaire/reglement-sur-les-infractions-de-nature-academique) pour identifier les actes considérés comme étant des infractions de nature académique ainsi que prendre connaissance des sanctions prévues à cet effet. À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et tous les membres de la communauté étudiante sont invités à consulter la page Citer, pas plagier ! (www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).

Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par l’enseignante ou l’enseignant du cours.



Documentation obligatoire

La lecture, avant chaque cours, de chapitres du livre :

Ricardo, C. M., Urban, S. D., & Davis, K. C. (2022). Databases Illuminated (4th ed.). Jones and Bartlett. ISBN 9781284231588

L’éditeur offre un rabais pour la livraison des copies papier aux étudiants du cours. Le code sera visible sur Moodle.

 




Ouvrages de références
  • OPPEL, A.J. (2009). Databases: A Beginner’s Guide, McGraw-Hill, ISBN: 0-07-160846-X.  Il est très recommandable, plusieurs cours pourraient suivre le livre.
  • Marco, R., Alberto, F. et Chris, W. (2014) SQL Server 2012 Analysis Services, The BISM Tabular Model, Microsoft Press, ISBN: 9780735658189
  • Marco, R., Alberto, F.  (2105)  The Definitive Guide to DAX , Microsoft Press, ISBN:9780735698352
  • Alberto, F. et Marco, R. (2015) DAX Patterns, SQLBI, ISBN :9781505623635
  • Rob, C. (2013) DAX Formulas For PowerPivot, Holy Macro ! Books, ISBN:9781615470150
  • Rob C., Avi, S., (2016) Power Pivot and Power BI, Holly Macro! Books, ISBN:9781615470396
  • Graph Data Science (GDS) For Dummies®, Neo4j Special Edition (https://neo4j.com/books/graph-data-science-for-dummies/



Adresse internet du site de cours et autres liens utiles

https://ena.etsmtl.ca




Autres informations

Ce cours est soutenu par des exercices de DataCamp (datacamp.com), une plate-forme d’apprentissage en ligne pour Python, SQL, Power BI et Dax. Elle est dédiée à la science et l’analyse des données. La méthodologie d’apprentissage de DataCamp est pratique. Il combine de courtes vidéos et des exercices pratiques sur le clavier pour aider les étudiants à conserver leurs connaissances. DataCamp propose des formations sur l’importation de données, la visualisation des données et l’apprentissage automatique.